CVPR 2020 | Videoda ilgilenilen görsel hedefi tespit edin
CVPR 2020 | D3Feat: Yoğun algılamanın ortak öğrenimi ve 3D yerel özellik açıklaması
CVPR 2020 | Yüz Zorbalığı Önleme için Merkezi Diferansiyel Evrişimli Ağı Araştırın
Modelin yoğunluk tahmin yeteneği, sıra oluşturma yeteneği ve BLEU puanı arasındaki ilişki nedir?
Meta öğrenme ile göreve özgü öğrenme arasında bir denge bulun
Kağıt adı: Videoda Katılan Görsel Hedefleri Algılama
Yazar: Chong Eunji / Wang Yongxin / Ruiz Nataniel / Rehg James M.
Gönderme zamanı: 2020/3/5
Kağıt bağlantısı: https://paper.yanxishe.com/review/13533?from=leiphonecolumn_paperreview0320
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edildi ve videodaki hedefi tespit etme sorununu çözmekti. Özellikle amaç, her bir video karesindeki herkesin görüş alanını belirlemek ve çerçeve dışındaki durumu doğru şekilde ele almaktır. Önerilen yeni mimari, zamanla değişen dikkat hedefini anlamak için sahne ile baş özellikleri arasındaki dinamik etkileşimi etkili bir şekilde simüle eder. Aynı zamanda bu makale, gerçek dünyadaki karmaşık ve dinamik bakış davranış kalıplarını içeren yeni bir veri kümesi olan VideoAttentionTarget'ı tanıtıyor. Bu veri seti üzerinde yapılan deneyler, önerilen modelin videolarda etkili bir şekilde dikkat çekebileceğini göstermektedir. Bu yöntemin faydasını daha da kanıtlamak için, bu makale tahmin edilen dikkat haritasını iki sosyal bakış davranışı tanıma görevine uygular ve ortaya çıkan sınıflandırıcının mevcut yöntemlerden önemli ölçüde daha iyi olduğunu gösterir.
Makale Başlığı: D3Feat: Yoğun Algılamanın Ortak Öğrenimi ve 3B Yerel Özelliklerin Tanımlanması
Yazar: Bai Xuyang / Luo Zixin / Zhou Lei / Fu Hongbo / Quan Long / Tai Chiew-Lan
Gönderme süresi: 2020/3/6
Kağıt bağlantısı: https://paper.yanxishe.com/review/13946?from=leiphonecolumn_paperreview0320
Önerilen neden
Bu makale CVPR 2020 tarafından kabul edilmiş ve 3D özellik dedektörleri üzerine yapılan araştırmalara odaklanmıştır.
Bu makale, 3B nokta bulutları için bir 3B tam evrişimli ağ kullanır ve 3B nokta bulutlarının doğal yoğunluk değişikliklerinin üstesinden gelen bir anahtar nokta seçim stratejisi önerir ve ayrıca eğitim süreci sırasında gerçek zamanlı özellik eşleştirme sonuçlarıyla yönlendirilen bir öz denetim önerir. Dedektör kaybı. Yeni yöntem, her bir 3B noktanın algılama puanını ve açıklama özelliklerini yoğun bir şekilde tahmin edebilir. Yeni yöntem, 3DMatch ve KITTI veri kümelerindeki iç ve dış mekan sahnelerinin en son sonuçlarını değerlendiriyor ve ETH veri kümesinde güçlü genelleme yetenekleri gösteriyor. Pratik uygulamalarda, güvenilir bir özellik detektörü kullanarak, az sayıda özelliğin örneklenmesi, doğru ve hızlı nokta bulutu hizalaması elde etmek için yeterlidir.
Bildiri Başlığı: Yüz Sahteciliğini Önleme için Merkezi Fark Evrişimli Ağları Arama
Yazar: Yu Zitong / Zhao Chenxu / Wang Zezheng / Qin Yunxiao / Su Zhuo / Li Xiaobai / Zhou Feng / Zhao Guoying
Gönderme süresi: 2020/3/9
Kağıt bağlantısı: https://paper.yanxishe.com/review/13945?from=leiphonecolumn_paperreview0320
Önerilen neden
Bu makale, yüz dolandırıcılıkla mücadele konusu dikkate alınarak CVPR 2020 tarafından kabul edildi.
Bu makale, yoğunluk ve gradyan bilgilerini özetleyerek doğası gereği ayrıntılı desenleri yakalayabilen, merkezi diferansiyel evrişime dayalı çerçeve seviyesinde yüz dolandırıcılığı önleme yöntemi önermektedir. Merkezi fark evrişimi ile oluşturulan ağa Merkezi Fark Evrişimli Ağ (CDCN) denir. Orijinal evrişim kullanılarak oluşturulan ağ ile karşılaştırıldığında, CDCN daha güçlü modelleme yetenekleri sağlayabilir. Ek olarak, özel olarak tasarlanmış bir merkezi diferansiyel evrişimli arama alanında, nöral mimari araması, performansı daha da iyileştirmek için çok ölçekli bir dikkat füzyon modülü ile birleştirilebilen daha güçlü ağ yapılarını keşfetmek için kullanılabilir.
Kağıt adı: Yoğunluk Tahmini ve Sıra Oluşturma Arasındaki Tutarsızlık Üzerine
Yazar: Lee Jason / Tran Dustin / Fırat Orhan / Cho Kyunghyun
Gönderme süresi: 2020/2/17
Kağıt bağlantısı: https://paper.yanxishe.com/review/13949?from=leiphonecolumn_paperreview0320
Önerilen neden
Yoğunluk tahmini ve sekans oluşturmanın iki görevi genel olarak alakasız görünmektedir. Bununla birlikte, bu makalede yapılan araştırmadan sonra, bir modelin yoğunluk tahmin yeteneği, sıra oluşturma yeteneği ve BLEU puanı arasında aslında yakın bir ilişki olduğu bulunmuştur.
Y'nin belirli bir x girdisine göre dağılımını tahmin etmek bir yoğunluk tahmin görevi olarak kabul edilirse, makine çevirisi ve metinden sese dönüştürme gibi dizi oluşturma görevlerinin tümü yoğunluk tahmini olarak kabul edilebilir ve ardından yoğunluk tahmini daha fazla kullanılabilir. Koşullu log-olabilirlik testi değerlendirme modelinde kullanılmaktadır.
Bununla birlikte, bu test için tasarım hedeflerimiz ve sıra oluşturma modelinin kendisi hala farklıdır, ancak hiç kimse farkın ne kadar büyük olduğunu araştırmamış gibi görünüyor. Bu yazıda, yazarlar, farklı yoğunluk tahmin sonuçları ile BLEU puanları arasındaki ilişkiyi çoklu testlerde karşılaştırdılar ve ikisi arasındaki ilişkinin, günlük olabilirliği ve BLEU yüksekliği gibi birkaç ince faktörden etkilendiğini buldular. Korelasyon, özellikle aynı ailenin modelleri için (çeşitli otoregresif modeller, önceden aynı parametrelere sahip örtük değişken modeller).
Pek çok karşılaştırma ve özet yaptıktan sonra, yazarlar nihayet hızlı bir dizi oluşturma hızı elde etmek istiyorsanız, modeli tasarlarken gizli değişkenler içeren otoregresif olmayan bir model seçebileceğinizi ve basit bir öncül kullanabileceğinizi önerdiler.
Bildiri Başlığı: Dengelemeyi Öğrenmek: Dengesiz ve Dağıtım Dışı Görevler için Bayes Meta-Öğrenme
Yazar: Hae Beom Lee / Hayeon Lee / Donghyun Na / Saehoon Kim / Minseop Park / Eunho Yang / Sung Ju Hwang
Düzenlenme zamanı: 2019/9/26
Kağıt bağlantısı: https://paper.yanxishe.com/review/13948?from=leiphonecolumn_paperreview0320
Önerilen neden
Makine öğrenimi alanındaki araştırmacılar, modelin daha iyi genelleme yeteneklerine sahip olabileceğini ve belirli görevlerin ayarlarına çok fazla uymamasını umuyor, bu nedenle meta-öğrenme üzerine araştırmalar son yıllarda çok sıcak oldu.
Bununla birlikte, meta-öğrenme araştırması bazen sabit bir rutine düşer.Örneğin, öğrenilecek birden fazla görevde, örneklerin sayısı ve her bir görevde görünen kategori sayısının aynı olduğu varsayılır, bu nedenle modele izin verirler. Her görev aynı miktarda meta-bilgi elde eder - ancak gerçekte, farklı görevlerdeki örneklerin sayısı ve kategori sayısı tamamen farklı olabilir ve farklı görevlerin meta-bilgisinin içeriği de farklıdır. Yani bu yaklaşım iyi değil.
Ayrıca mevcut birçok meta-öğrenme araştırması, görülen yeni verilerin dağılımını dikkate almamaktadır.Bu verilerin dağılımının öğrenilen verilerin dağılımından tamamen farklı olması ve modelin performansını iyileştirmenin bir yolu olmaması olasıdır.
Bu pratik problemleri çözmek için bu makale, "meta-öğrenme" ve "belirli görevler için öğrenme" arasında bir denge bulacak yeni bir meta-öğrenme modeli önermektedir. Artık önceki modellerle aynı değildir. Tüm durumlara eşit davranın. Deneyler, bu yöntemin performansının önceki tüm meta öğrenme yöntemlerinden çok daha iyi olduğunu göstermektedir.
Bu makale, ICLR2020 tarafından sözlü bir rapor kağıdı olarak kabul edildi.
Lei Feng Ağı Lei Feng Ağı Lei Feng Ağı